基于机器学习的上下文预测车到云通信:面向即将到来的5G网络使用多层连接性地图
网络与互联网体系结构
2019-07-09 v2
摘要
尽管长期以来汽车仅被视为个人交通工具,但它们目前正转变为移动传感器节点,在智慧城市背景下为基于众包感知的大数据服务收集高度最新的信息。因此,即将到来的5G通信网络将面临机器类通信(MTC)的大量增长,并需要资源高效的传输方法,以优化整体系统性能并与使用同一公共蜂窝网络的人类数据流量实现无干扰共存。在本文中,我们将移动性预测与基于机器学习的信道质量估计相结合,通过根据通信上下文的预期行为调度传感器数据的传输时间,来提高车到云数据传输的资源效率。在一项全面的现场评估活动中,我们在公共蜂窝网络场景下评估了所提出的上下文预测方法,其能够将平均数据速率提高多达194%,同时将平均上行链路功耗降低多达54%。
引用
@article{arxiv.1805.06603,
title = {Machine learning based context-predictive car-to-cloud communication using multi-layer connectivity maps for upcoming 5G networks},
author = {Benjamin Sliwa and Thomas Liebig and Robert Falkenberg and Johannes Pillmann and Christian Wietfeld},
journal= {arXiv preprint arXiv:1805.06603},
year = {2019}
}